La termografia a infrarossi basata su deep learning rivela risposte termoregolatorie uniformi e individuali riproducibili durante la corsa

Osservare il corpo riscaldarsi

Quando andiamo a correre, il nostro organismo gestisce silenziosamente più compiti contemporaneamente: muovere i muscoli, fornire ossigeno e smaltire il calore in eccesso. Questo studio esplora un nuovo modo per osservare in tempo reale questo equilibrio—utilizzando telecamere termiche e intelligenza artificiale per tracciare come la temperatura della pelle dei corridori cambia durante l'esercizio. Il lavoro suggerisce che semplici immagini termiche delle gambe, senza contatto, possono rivelare sia schemi comuni condivisi dalla maggior parte dei corridori sia sottili differenze personali legate alla capacità di prestazione.

Riprendere il calore mentre le persone corrono

I ricercatori hanno invitato in laboratorio undici giovani adulti sani e allenati alla resistenza. Ciascuna persona ha completato tre corse su tapis roulant in due giornate diverse. Il lavoro complessivo in ogni corsa era lo stesso, ma i pattern di intensità differivano: una era costante, un'altra passava da costante a intervalli e la terza faceva il percorso inverso. Durante la corsa, il team ha monitorato frequenza cardiaca, respirazione, temperatura corporea centrale (usando sensori interni ed esterni), percezione dello sforzo, perdita di sudore e—crucialmente—i modelli di calore sui polpacci mediante una camera a infrarossi ad alta risoluzione posizionata dietro il tapis roulant.

Lasciare che l'intelligenza artificiale interpreti le mappe termiche

Invece di delineare manualmente le regioni nelle immagini termiche, il gruppo ha impiegato il deep learning—una forma di intelligenza artificiale—per riconoscere automaticamente i polpacci e separare diversi tipi di regioni vascolari. Da ogni frame il sistema ha calcolato varie metriche della temperatura cutanea: temperatura media del polpaccio, temperatura delle aree senza vasi visibili e temperature su piccole arterie e vene superficiali. Ha inoltre misurato l’“entropia”, una statistica che descrive quanto siano variati i pattern di temperatura sulla superficie della pelle. Queste misure sono state sincronizzate con i dati di cuore, respirazione e temperatura centrale, producendo serie temporali dettagliate durante il riscaldamento, le fasi principali della corsa e il recupero.

Schemi di calore condivisi e firme individuali

In tutte e tre le corse, le varie misure della temperatura cutanea aumentavano e diminuivano in parallelo con i cambiamenti di intensità della corsa, sebbene i loro valori assoluti differissero. Le aree sovrastanti i piccoli vasi arteriosi mostravano collegamenti particolarmente forti con la frequenza cardiaca e l'uso di ossigeno, soprattutto durante gli intervalli ad alta intensità e il recupero, suggerendo che rappresentano indicatori sensibili del carico di lavoro e della rapidità con cui il corpo disperde calore dopo lo sforzo. L'entropia di queste regioni vascolari seguiva la temperatura centrale durante il riscaldamento, riflettendo come il calore si diffonde sulla pelle mentre il corpo si riscalda. Allo stesso tempo emersero notevoli differenze individuali. In alcuni corridori—soprattutto quelli con maggiore capacità di corsa submassimale—the temperature della pelle priva di vasi si muovevano in direzione opposta rispetto alla temperatura centrale, creando divari maggiori tra il calore profondo del corpo e la pelle più fredda. Questi divari probabilmente riflettono aggiustamenti del flusso sanguigno più efficaci che aiutano a smaltire il calore mantenendo sotto controllo la temperatura centrale.

Letture affidabili tra giornate diverse

Una domanda chiave era se queste misure termiche fossero abbastanza stabili da essere utili oltre un singolo test. Lo studio ha rilevato che i cambiamenti della temperatura della pelle priva di vasi, in particolare durante riscaldamento, intervalli e recupero, erano altamente riproducibili nella stessa persona attraverso tutte e tre le corse, anche quando l'ordine e il pattern dei carichi cambiavano. Anche gli schemi a livello di gruppo risultavano coerenti. Minore affidabilità è emersa confrontando alcuni segmenti di corsa continua preceduti da diversi tipi di sforzo, sottolineando come la storia immediata dell'esercizio possa rimodellare temporaneamente il flusso ematico cutaneo e la temperatura. Nel complesso, però, l'analisi automatizzata ha fornito segnali robusti e ripetibili in condizioni ambientali di stanza ben controllate.

Cosa significa per gli atleti e il monitoraggio della salute

I risultati mostrano che un'analisi intelligente delle immagini termiche può cogliere sia i modi condivisi in cui gli esseri umani regolano la temperatura durante la corsa sia le variazioni personali collegate a quanto bene una persona riesce a mantenere velocità submassimali. Il deep learning trasforma una sequenza di immagini termiche in numeri coerenti che si allineano con i dati di cuore, respirazione e temperatura centrale. In futuro, questo tipo di monitoraggio senza contatto potrebbe aiutare allenatori e clinici a seguire il carico interno, individuare segnali precoci di surriscaldamento o personalizzare l'allenamento in base a quanto efficacemente il corpo di un corridore smaltisce il calore—non solo in base al picco di forma rilevabile su carta.

Citazione: Weber, V., López, D.A., Ochmann, D.T. et al. Deep learning-based infrared thermography reveals reproducible uniform and individual thermoregulatory responses during running. Sci Rep 16, 10525 (2026). https://doi.org/10.1038/s41598-026-44102-6

Parole chiave: termografia a infrarossi, fisiologia dell'esercizio, deep learning, termoregolazione, prestazione nella corsa